【技术实现步骤摘要】
本专利技术涉及医学图像处理，尤其涉及一种基于改进的unet++的心室分割方法。
技术介绍
1、冷冻消融技术是一种有效的肿瘤治疗手段，利用极低的温度直接破坏肿瘤细胞，为了确保治疗的准确性和安全性，手术导航系统发挥了重要的作用，可用于指导医生在冷冻消融过程中进行消融针的穿刺，以提供安全有效的穿刺路径。为了设计这些路径，在计划穿刺路径前需要对图像进行分析，以分割出穿刺路径周围的人体组织和器官，医生可以通过结合这些器官的分割结果与实时观察获得更好的医疗器械介入位置，设计安全可靠的穿刺路径。
2、心室分割是这一过程的关键部分，它涉及到从医学影像中识别和隔离心脏的心室。这一步骤对于规划手术路径至关重要，因为它可以帮助医生避免损害重要的组织和器官，同时确保治疗的效果。心室本身的生理几何结构、成像设备的固有噪声、患者的心室内形态和信号强度的差异，且可能有病理改变等因素都对心室的分割造成了一定的难度。心脏分割技术
3、经典算法对心室分割的方法包括阈值法。图切割方法，如半自动区域合并图形切割方法(rmgc)、结合形状先验信息的图切割方法(gcsp)等。基于模型的分割方法，如基于点分布模型的局部搜索算法(asm)、生成模型类算法(apm)等。基于图谱的方法，如基于单图谱的分割方法、基于多图谱的分割方法等。由于经典算法通常需要大量的特征工程或先验知识才能获得令人满意的分割精度，这限制了它们的精度和速度。这些方法在处理心室的复杂形态和多样性时往往效果不佳，且计算过程耗时，影响手术的实时性。相反，基于深度学习的算法具有擅长从数据中自
4、目前基于深度学习的心室分割算法在磁共振成像(mri)，计算机断层扫描(ct)和超声(us)等图像领域都有所研究。主要的应用的网络架构包括深度全卷积神经网络(fcnn)架构及其改进架构，如多任务深度神经网络(m-dnn)架构、递归全卷积网络(rfcn)等。深度卷积神经网络(cnn)架构及其改进架构，如基于cnn和自动编码器(aes)结合的分割框架、多层cnn网络作为u-net的泛化框架等。简化的脉冲耦合神经网络(spcnn)和形态学预处理相结合技术，该方法首先对图像进行滤波，然后利用spcnn模型自动确定的参数勾画出内部边界，最后将心室边界向心内膜分割扩张。基于深度学习的u型全卷积神经网络mff u-net架构，该方法将3维数据沿z轴进行切分形成的2维图像输入到一个密集残差网络(dense-net)中训练。omega-net网络架构，该网络由用于心室定位的u-net，可标准化图像方向的可学习转换模块以及用于细粒度分割的一系列u-net组成。cnn网络与transformer网络相结合的框架，该方法通过设计一个多阶段的编码器来提取深层的上下文信息和浅层的空间信息，通过4个阶段的解码与每次解码间的跳跃连接，最终在信息融合模块通过卷积将信息融合。这些基于深度学习的方法在处理图像噪声、心室形态多样性和信号差异方面表现更加出色，提供了更高的精度和更快的处理速度。
技术实现思路
1、本专利技术的目的是针对现有技术的局限，本专利技术提出了一种基于改进的unet++的心室分割方法，本专利技术的目的可通过下列技术方案来实现：
2、本专利技术提供了一种基于改进的unet++的心室分割方法，包括，
3、步骤s1，数据准备阶段，将ct扫描的心室图像经过初步筛选和精确标注后，通过包括分层保存和图像增强的预处理操作，最终形成心室图像数据；
4、步骤s2，模型训练阶段，基于初始的unet++网络框架模型设计通过引入残差结构的卷积、更换为leakyrelu激活函数，并优化下采样和上采样方法改进网络框架模型，并进行初始训练和训练监控，当训练结果变化符合训练预期，则进行网络框架模型的整体训练，当训练结果不符合训练预期，则进行参数调节，重复操作，直到训练结果符合训练预期；对预处理后的心室图像数据进行整体训练，包括设置训练周期、批处理大小，使用adam优化器和余弦衰减学习率，以及选择dice loss作为损失函数；完成整体训练后，保存训练好的最优模型；
5、步骤s3，模型集成阶段，将最优模型通过转换成onnx格式再转化为tensorrt引擎，最终集成到手术导航系统中，以提供高效准确的心室分割。
6、进一步地，在步骤s2之后还包括模型推理阶段，导入训练好的最优模型，输入待分割的心室图像数据进行结果推理，保存或可视化推理结果，验证最优模型的有效性及实用性。
7、进一步地，在步骤s1中，将ct扫描的心室图像经过初步筛选和精确标注具体为：
8、步骤s101，心室图像首先经过初步筛选去除扫描噪声过大或扫描部位偏移的图像数据；
9、步骤s102，将初步筛选后的心室图像由操作人员对心室部位进行精确标注，精确标注的过程包括初步标注、迭代标注和后期校验等。
10、进一步地，在步骤s1中，通过包括分层保存和图像增强的预处理操作，最终形成心室图像数据集具体为：
11、步骤s103，将心室图像及精确标注的标签按z方向分层保存，并进行图像增强，图像增强包括以0.5的比率分别进行心室图像的随机翻转、镜像、旋转和加噪声，最终获得对应的心室图像数据集。
12、进一步地，在步骤s2中，基于初始的unet++网络框架模型设计通过引入残差结构的卷积、更换为leakyrelu激活函数，并优化下采样方法和上采样方法改进网络框架模型，具体为，
13、步骤s201，在backbone模块中，将原始的两个连续的3×3卷积替换为带有残差结构的卷积，增强了网络处理特征的能力，同时去除了编码部分的密集连接；
14、步骤s202，将传统的relu激活函数替换为leakyrelu激活函数，来解决梯度消失的问题；
15、步骤s203，下采样方法由maxpool更改为卷积核为3的convolution操作，上采样方法从upsample变为deconvolution操作。
16、进一步地，在步骤s2中，对预处理后的心室图像数据进行整体训练，包括设置epochs、batch_size，使用adam优化器和余弦衰减学习率，以及选择dice loss作为损失函数，具体为：
17、步骤s204，输入预处理好的心室图像数据，进行网络框架模型的整体训练。在整体训练中，epochs设置为100，batch_size设置为8，采用adam优化器，momentum为0.9，weight_decay为0.001；学习率衰减设置为余弦衰减，初始学习率为0.005，损失函数选择diceloss。
18、进一步地，步骤s3中，将最优模型通过转换成onnx格式再转化为tensorrt引擎，最终集成到手术导航系统中，以提供高效准确的心室分割，具体为：
19、步本文档来自技高网...
【技术保护点】
1.一种基于改进的Unet++的心室分割方法，其特征在于，包括，
2.根据权利要求1所述的心室分割方法，其特征在于，在步骤S2之后还包括模型推理阶段，导入训练好的所述最优模型，输入待分割的所述心室图像数据进行结果推理，保存或可视化推理结果，验证所述最优模型的有效性及实用性。
3.根据权利要求1所述的心室分割方法，其特征在于，在步骤S1中，将CT扫描的心室图像经过初步筛选和精确标注具体为：
4.根据权利要求3所述的心室分割方法，其特征在于，在步骤S1中，通过包括分层保存和图像增强的预处理操作，最终形成心室图像数据集具体为：
5.根据权利要求3所述的心室分割方法，其特征在于，在步骤S2中，基于初始的UNet++网络框架模型设计通过引入残差结构的卷积、更换为LeakyReLU激活函数，并优化下采样方法和上采样方法改进网络框架模型，具体为，
6.根据权利要求3所述的心室分割方法，其特征在于，在步骤S2中，对预处理后的所述心室图像数据进行所述整体训练，包括设置epochs、batch_size，使用Adam优化器和余弦衰减学习率，
7.根据权利要求1所述的心室分割方法，其特征在于，所述步骤S3中，将所述最优模型通过转换成ONNX格式再转化为TensorRT引擎，最终集成到手术导航系统中，以提供高效准确的心室分割，具体为：
...【技术特征摘要】
1.一种基于改进的unet++的心室分割方法，其特征在于，包括，
2.根据权利要求1所述的心室分割方法，其特征在于，在步骤s2之后还包括模型推理阶段，导入训练好的所述最优模型，输入待分割的所述心室图像数据进行结果推理，保存或可视化推理结果，验证所述最优模型的有效性及实用性。
3.根据权利要求1所述的心室分割方法，其特征在于，在步骤s1中，将ct扫描的心室图像经过初步筛选和精确标注具体为：
4.根据权利要求3所述的心室分割方法，其特征在于，在步骤s1中，通过包括分层保存和图像增强的预处理操作，最终形成心室图像数据集具体为：
5.根据权利要求3所述的心室分割方法，其特征在于...
【专利技术属性】
技术研发人员：薛丹，王玉，
申请(专利权)人：上海导向医疗系统有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。